Ricerche recenti misurano gli impatti positivi di AI sulla produttività e sulla qualità delle prestazioni lavorative in diversi settori, con particolare incidenza in quelli dove contano di più le facoltà creative e le capacità di scelta.

I guadagni di produttività documentati dalle ricerche

Vi sono altre ricerche, altrettanto autorevoli, che dimostrano come AI impoverisca la capacità di scegliere e di assumere responsabilità da parte di operatori di elevato livello professionale, come i medici. Si confrontano posizioni contrapposte, da un lato chi vede in AI lo strumento di dominio sottolinea i rischi inyrinseci (ricordiamo che questo orientamento arruola anche molti dei “padroni” di AI, da Sam Altman a Elon Musk a Bill Gates. Dall’altro lato vi sono quelli che magnificano l’impatto positivo di AI e tra questi vi sono sia quegli stessi, che giocano sui due tavoli, sia protagonisti più equilibrati, come Kai Fu Lee[1].

I vantaggi in termini di produttività sono evidenti, soprattutto a livello di singola attività. L’importante esperimento sul campo condotto da Harvard/BCG su 758 consulenti aziendali ha rilevato che coloro che utilizzavano ChatGPT completavano in media il 12% di attività in più, le completavano il 25% più velocemente e producevano risultati di qualità superiore del 40% in attività creative, analitiche e di scrittura[2].
In un’ampia gamma di settori – scrittura, assistenza clienti, sviluppo software, contabilità, diritto e traduzione –  gli esperimenti sul campo controllati documentano riduzioni dei tempi di completamento delle attività dal 15% a oltre il 50%, spesso accompagnate da tangibili miglioramenti della qualità[3].

La democratizzazione delle competenze e i suoi limiti

Un dato sorprendente riguarda la distribuzione di questi vantaggi[4]: le persone meno esperte o con minori competenze tendono a registrare i maggiori incrementi di produttività, poiché l’intelligenza artificiale fornisce un accesso economicamente vantaggioso alle informazioni pertinenti, aiuta i lavoratori meno qualificati a svolgere attività che potrebbero non completare da soli e colma il divario con i colleghi più esperti – una vera e propria “democratizzazione delle competenze“[5]. Tuttavia, le idee generate dall’AI potrebbero essere simili tra loro, il che significa che i progressi nella creatività individuale potrebbero avvenire a scapito della capacità collettiva di innovare: l’AI alza il livello minimo, ma forse appiattisce quello più elevato.

Scarico cognitivo, dipendenza e calo del pensiero critico

La comodità degli strumenti di intelligenza artificiale ha creato quello che i ricercatori chiamano “scarico cognitivo”: una condizione in cui gli studenti che si affidano eccessivamente all’AI mostrano un calo sostanziale delle capacità di ragionamento analitico e una minore motivazione allo studio. Le rassegne della letteratura indicano che l’eccessivo affidamento si verifica quando gli studenti utilizzano affermazioni generate dall’AI senza metterle in discussione, con conseguente riduzione della capacità di prendere decisioni.
Un’ indagine del 2025 su 319 lavoratori della conoscenza, presentata alla conferenza CHI, conferma che questo schema si estende ben oltre gli studenti: una maggiore fiducia nell’AI è associata a un minore pensiero critico, mentre una maggiore autostima è associata a un maggiore pensiero critico. Qualitativamente, l’AI generativa sposta il pensiero critico verso la verifica delle informazioni, l’integrazione delle risposte e la gestione del compito: un atteggiamento cognitivo più ristretto rispetto al ragionamento critico indipendente.[6]
Un ampio studio MDPI condotto su 666 partecipanti di diverse fasce d’età ha rilevato che i temi chiave emersi erano “Dipendenza dall’IA“, “Coinvolgimento cognitivo“ e “Preoccupazioni etiche“, suggerendo che il problema è percepito come strutturale, non incidentale[7].

La figura 1 riporta in modo sintetico i risultati degli studi esaminati: in verde gli effetti positivi e in arancione quelli negativi, mentre in grigio sono indicati i risultati misti.

Figura 1. Impatto di AI nelle ricerche esaminate

Dall’informazione al bit: la frattura teorica moderna

Sebbene il decongestionamento cognitivo possa migliorare l’efficienza liberando risorse cognitive, ciò non implica automaticamente una riduzione del coinvolgimento nel compito, anche se gli studi dimostrano che un minore coinvolgimento è il risultato atteso quando gli utenti non vengono  addestrati. E qui si apre il tema, affrontato in altra sede, della formazione[8]: siamo entrati nella fase in cui la capacità collettiva di una società, ossia il suo livello di educazione,deve poter governare, sviluppare, adattare, applicare, moderare AI.

AI ha due volti entrambi orientati verso di noi: un lato, ci mostra il potenziamento delle capacità intellettuali e decisionali del soggetto, l’altro, impoverisce la capacità di prendere decisioni responsabili e di analizzare criticamente l’oggetto dell’indagine. A questo secondo effetto negativo dobbiamo reagire: non è solo questione di chip e di energia.

Come e perché possano coesistere quelle due visioni è ciò a cui è dedicata questa nota.

L’idea classica di informazione da Cicerone ad Aristotele

Facciamo qualche passo indietro. Le idee, dice Cicerone, informano l’anima o la mente che le incontra: una posizione che promuove l’eclettismo che si confronta con le scuole filosofiche in modo critico. “Pensi pure ciascuno come vuole: vi deve essere libertà di giudizio; noi ci terremo sempre ai nostri principi, ricercheremo cioè sempre in ogni questione quello che abbia maggiore carattere di probabilità, senza essere vincolati a regole di nessuna scuola, alla quale ubbidire di necessita”[9]. La filosofia è guida della vita, strumento pratico, secondo la tradizione che va da Socrate a Platone ad Aristotele, di cui Cicerone si riconosce allievo.

La filosofia della conoscenza di Aristotele ha avuto una lunghissima storia: ad essa si attenevano gli scolastici nel medioevo quando riferivano che l’intelletto viene in-formato, ossia modellato, dall’incontro con la conoscenza sensoriale, esattamente come la materia è stata in-formata da Dio nella creazione e come l’anima in-forma, ossia dà vita al corpo. In-formare ha avuto per millenni il significato di creare una forma cognitiva nel destinatario, ossia in chi viene raggiunto dal processo formativo.

Shannon e la riduzione dell’informazione a segnale

Le cose cambiano radicalmente con il saggio di Shannon del 1948 sulla matematica dell’informazione[10]. L’informazione improvvisamente si impoverisce per trasformarsi in segnale, secondo il famoso schema riportato in figura 2. Si impoverisce, ma diviene straordinariamente maneggevole: la sua riduzione a quantità misurabili e calcolabili apre la strada ad innumerevoli sviluppi tecnologici.

Si noti che, rispetto alla definizione classica, dove in-formare vuol dire creare una forma di conoscenza nel destinatario, nello schema di Shannon il destinatario è del tutto irrilevante: anch’esso diventerà un aggregato di bit negli sviluppi successivi della teoria delle reti e dell’economia digitale.

Le origini del bit e l’ambivalenza dell’in-formare

Per rappresentare l’ambivalenza di AI poniamo il concetto di informazione a fianco del suo significato etimologico e del suo uso moderno e scopriamo che l’ambivalenza ha radici profonde, meritevoli di attenzione perché indicano che essa può essere letta come non-contraddittoria.

Figura 3. Le origini del bit

Per Shannon il problema è pulire il segnale dal rumore: l’obiettivo tecnologico per il nuovo mondo che si profila all’orizzonte è quello dell’elaborazione e della comunicazione delle informazioni che sono trasportabili se trasformate in bit. La scomposizione e ricomposizione del contenuto, per poterlo trasferire integro ed elaborarlo, deve avvenire senza perdite di informazioni, senza rumori o errori che altrimenti producono falsificazioni del contenuto informativo. Con Shannon l’in-formazione perde la sua valenza di processo interattivo e trasformativo tra due soggetti o fra soggetto e oggetto, e si riduce a semplice bit, l’unità di informazione di base. Vedremo che AI mette a soqquadro anche questa semplificazione, aprendo nuovi quesiti sulla relazione informazione-educazione-conoscenza.

Educare e conoscere davanti alla sfida dell’AI

Ex-ducere, ovvero condurre al di fuori, presuppone che nell’allievo ci siano le potenzialità della conoscenza che vanno portate all’aperto, disvelate al mondo e allo stesso allievo.

Socrate, Confucio e la conoscenza come formazione del giudizio

Educare vuol dire dare spazio alla creatività dell’allievo, condurla fuori dal suo stato embrionale: il modello di riferimento è la maieutica di Socrate, ossia del filosofo che non ci lascia nulla di scritto. Non ci fornisce il suo libro di testo, educa al ragionamento, alla riflessione: sviluppa gli strumenti del giudizio autonomo e consapevole, educa alla moralità massima: quel rispetto delle leggi che va al di là del loro essere leggi giuste. Anche la tradizione confuciana è permeata dall’idea dell’educazione, ossia del portare al ragionamento e alla riflessione, senza ricorrere alla prescrizione, alla coercizione.

Nei Dialoghi di Confucio (7.8) il Maestro dice “non rivelo la verità ad uno che non è ansioso di conoscere, e non aiuto chi non è ansioso di esprimersi. Quando ho presentato un angolo di un problema ad una persona che non è capace di capirne gli altri tre, non ripeto la mia lezione”. Come la maieutica socratica,  si tratta di ex-ducere dall’interiore la conoscenza.

Ancora in un punto successivo (8.19) il Maestro dice “non sono nato possedendo la conoscenza: sono uno che ama la tradizione e lì mi impegno a trovarla”. In Socrate la conoscenza porta alla libertà dalle convenzioni, non dalle leggi. In Confucio la tradizione, ossia le convenzioni sociali, aiutano a formare,  a plasmare, come abbiamo visto, l’individuo a condurlo all’interno della tradizione, deiriti.

In Kant troviamo la distinzione tra Empfindung (sensazione) derivante dalle esperienze ed Erkenntnis (conoscenza strutturata) connessa alla ragione. L’origine di questo passaggio è riconducibile alla distinzione aristotelica tra aisthesis (percezione) ed episteme (conoscenza delle cause).

Questo passaggio ci avvicina alla questione della potenza e dei limiti di AI. Ci insegna anche che la maieutica confuciana può essere più efficace di quella socratica per affrontare le sfide di AI, poiché enfatizza il ruolo sociale della conoscenza. Forse (ma non è questa la sede e non è questo l’autore in grado di affrontare il discorso) è un indizio che contribuisce a spiegare i successi della Cina.

Ermeneutica, riconoscimento e relazione con la realtà

L’ermeneutica è l’arte dell’interpretazione dei segni. Ermeneutico è il processo continuo che la nostra mente fa per interpretare le immagini, i suoni, le parole, le espressioni, i volti. Senza l’attività ermeneutica non vi è la conoscenza: manca la capacità di interpretare i segni che la realtà manifesta e non si riesce ad entrare in un una relazione di co-noscenza con la realtà stessa.

Oliver Sacks ha dimostrato in modo straordinariamente efficace gli effetti della perdita della connessione tra il sensorium, ossia l’insieme dei sensi e le funzionalità cerebrali capaci di elaborare le sensazioni per interpretarle in modo immediato o per analogia riconducendole ad un modello. Per Sacks la perdita della funzione “giudicante” della mente, ossia della capacità di valutare se un oggetto sferico rosso è o non è una mela, crea una mente “simile ad un computer”.

In un mirabile passaggio di uno dei suoi libri, pubblicato oltre quarant’anni fa, Sacksci parla del dr P. affetto da agnosia visiva [11]. “Nessun segno di riconoscimento (del guanto) gli illuminò il volto. Nessun bambino avrebbe la capacità di vedere e parlare di ‘una superficie continua… ripiegata su se stessa’, ma qualsiasi bambino, qualsiasi neonato, riconoscerebbe immediatamente un guanto come tale, lo vedrebbe come familiare, come qualcosa che si abbina a una mano. Il dottor P. non lo faceva. Non vedeva nulla di familiare.

Visivamente, era perso in un mondo di astrazioni inanimate. In effetti, non aveva un vero mondo visivo, così come non aveva un vero sé visivo. Poteva parlare delle cose, ma non le vedeva faccia a faccia.” Ciò che gli manca è il riconoscimento: il collegamento delle informazioni al significato, alla familiarità, al contesto, all’uso, al mondo delle mani viventi e degli scopi umani. E l’osservazione di Sacks, secondo cui poteva parlare delle cose ma non vederle faccia a faccia, è una formulazione fenomenologica: la conoscenza richiede un incontro relazionale, una co-osservazione, non semplicemente la corretta estrazione delle caratteristiche sensoriali.

Oliver Sacks e la differenza tra parlare delle cose e riconoscerle

La frase successiva è chiarificatrice rispetto ai problemi cognitivi che AI ci costringe ad affrontare: “Il dottor P. funzionava esattamente come funziona una macchina. Non si trattava solo del fatto che mostrasse la stessa indifferenza al mondo visivo di un computer, ma – ancor più sorprendentemente – che interpretasse il mondo come lo interpreta un computer, per mezzo di caratteristiche chiave e [schemi]”.
Sacks sta usando un caso neurologico per sostenere che la cognizione delle macchine e la cognizione agnostica sono strutturalmente identiche (ricordiamoci che scrive oltre quattro decenni fa).  Entrambe le forme cognitive elaborano correttamente le caratteristiche dell’oggetto, ma nessuna delle due riconosce l’oggetto. La differenza tra una mente umana funzionante e una danneggiata – o una macchina – risiede proprio nella presenza o assenza di giudizio: il legame attivo, valutativo e contestuale dei dati sensoriali dell’oggetto con il soggetto attraverso il suo significato. Questa assenza del giudizio nelle persone a causa di disturbi neurologici e nelle macchine a causa del loro stesso funzionamento, spinge  Sacks ad una critica radicale del modo di fare ricerca nel campo delle neuroscienze. La critica si può estendere ad altri rami della scienza, in particolare alla computer science e al machine learning che sono alla base dell’intelligenza artificiale generativa.

Dai modelli generativi alla gerarchia del processo cognitivo

In un saggio del 2009, anticipatore degli sviluppi dei modelli generativi, pubblicato in una rivista di filosofia della Royal Society, Frieston e Kiebel hanno proposto un modello in grado di far riconoscere ad uccellini virtuali il canto degli uccelli. In quel saggio si giunge alla conclusione che il cervello umano categorizza le percezioni sensoriali, attraverso una attività neuronale che progressivamente approssima i modelli cognitivi (simulati con la creazione degli uccellini virtuali) organizzati in modo gerarchico in modo da ridurre al minimo la distanza (errori) rispetto ai dati di realtà (percezioni). Il problema inferenziale, ossia che cosa sono, e che cosa significano i dati della percezione sensoriale, viene risolto dagli autori, e secondo loro dal nostro cervello, in modo da ridurre gli “errori” attraverso un processo di convergenza progressiva (attrazione) che coinvolge l’attività cerebrale a diversi livelli di velocità di elaborazione che ha a che fare con la permanenza ossia con la memoria. Il processo di riduzione degli scostamenti rispetto ai dati sensoriali del modello via via testato e adattato dai precedenti tentativi attraverso il lavoro della memoria, porta al riconoscimento della realtà[12].

Questa è l’area dove si sono sviluppati i modelli di intelligenza artificiale generativa, evolvendo dai traduttori automatici a modelli LLM: i primi si alimentavano di grammatiche, sintassi e vocabolari, i secondi di alimentano dello scibile umano.

Le neuroscienze presentano oggi un quadro del processo cognitivo fondato su quattro livelli, che rappresentiamo nella figura 3, usando le parole latine per non rinunciare allo spessore storico-filosofico delle acquisizioni attuali e perché, paradossalmente, sono più specifiche di quelle di uso corrente.

La tabella esposta in figura 4 riassume la gerarchia cognitiva descritta.

Figura 4. Schema del processo cognitivo

Concentriamo l’attenzione sul quarto livello, quello che, oggi, differenzia il funzionamento del cervello umano da AI.

AI giano bifronte e il limite del com-prehendere

La gerarchia dei livelli non è puramente ascendente in modo lineare da 1 a 4: le funzioni del livello 4 sono distribuite anche nella zona mediale e mantengono connessioni ricorsive con tutti gli altri livelli – il che riflette esattamente la natura del com-prehendere, che non è tanto l’ultimo gradino di una scala ma il tenere insieme simultaneamente tutti i processi sottostanti.

I colori nella figura 5 seguono la logica della tabella in figura 4:

• Ambra (Livello 4 – com-prehendere): corteccia prefrontale mediale (mPFC) e corteccia cingolata anteriore, nella zona frontale superiore  – sede della metacognizione e dell’autoconsapevolezza cognitiva
• Verdino (Livello 3 – intelligere): corteccia prefrontale laterale e aree parietali posteriori  – sede dell’inferenza causale e dell’integrazione
• Azzurro  (Livello 2 – cognoscere): corteccia temporale inferiore e ippocampo  – sede del riconoscimento e della memoria episodica
• Grigio (Livello 1 – percipere): cortecce sensoriali primarie nella zona posteriore/occipitale  – elaborazione degli input sensoriali grezzi .

Figura 4. Aree cerebrali della gerarchia cognitiva

La corteccia prefrontale mediale tra valutazione e autoregolazione

La “corteccia prefrontale mediale“ (mPFC) non è un’area uniforme ma un sistema funzionalmente articolato che occupa la superficie interna del lobo frontale. La neuroscienza contemporanea distingue almeno due sottoregioni funzionalmente distinte ma connesse:

• vmPFC (ventromediale): orientata verso la valutazione, la ricompensa, l’integrazione affettiva, il valore soggettivo delle scelte;
• dmPFC (dorsomediale): orientata verso il monitoraggio, il controllo adattivo, la cognizione sociale, la rappresentazione degli stati mentali propri e altrui.

Questa distinzione non è puramente anatomica: si tratta di due modalità del medesimo processo di auto-riferimento – una più affettiva e valutativa, l’altra più riflessiva e regolatoria.[13] Insieme costituiscono il nucleo neurale di ciò che in latino si chiama com-prehendere.

Le tre dimensioni del comprendere che sfuggono ancora all’AI

Questo è il ponte tra metacognizione individuale e cognizione sociale: la stessa struttura che ci permette di chiederci “quanto sono sicuro di questo?“ ci permette di chiederci “cosa pensa l’altro?“ e “cosa penserei io al suo posto?“ La mPFC non codifica solo un sé isolato ma un sé relazionale – un soggetto che si comprende in rapporto agli altri e al mondo.
Questo significa che la mPFC integra continuamente il passato (le predizioni) con il presente (le decisioni), costruendo una coerenza narrativa tra ciò che mi aspettavo di fare e ciò che ho fatto – la struttura minimale di un’identità cognitiva nel tempo[14].
Possiamo ora mappare con precisione il rapporto tra la neuroscienza della mPFC e il concetto latino di com-prehendere.
Il prefisso com- indica simultaneità e totalità: tenere-insieme. La mPFC realizza esattamente questa funzione in tre dimensioni, che sono le dimensioni fondamentali del processo cognitivo, che ancora sfuggono all’AI.:

• la prima dimensione è verticale: la mPFC tiene insieme i livelli inferiori della gerarchia cognitiva  – la percezione, il riconoscimento, la comprensione causale  – in una prospettiva unificata che li sorveglia e li regola. È la struttura che permette al sistema cognitivo di riflettere su se stesso come sistema;
• la seconda dimensione è temporale: la mPFC integra predizioni passate, decisioni presenti e anticipazioni future in una narrativa coerente. Il soggetto che comprende non coglie un oggetto istantaneo: coglie la propria storia di relazione con quell’oggetto, la propria traiettoria di comprensione;
• la terza dimensione è sociale: la mPFC non rappresenta un sé solipsistico ma un sé in relazione  – capace di mentalizzare l’altro, di confrontare la propria prospettiva con quella altrui, di calibrare la propria fiducia in contesti interpersonali. Il com- del com-prehendere è anche il cum della presenza-con-l’altro.
  

AI giano bifronte, formazione e responsabilità sociale

Le evidenze dimostrano che i guadagni di produttività effettivi dipendono dalla capacità dei lavoratori di valutare quando l’assistenza dell’AI migliora i risultati: gli utenti ben addestrati hanno ottenuto i maggiori benefici, mentre gli utenti troppo sicuri o troppo insicuri hanno ottenuto risultati inferiori rispetto ai colleghi addestrati.

I guadagni sono reali ma lo sviluppo e la diffusione di AI crea una strozzatura: per utilizzarla al meglio occorre capacità critica, ma quella capacità critica può atrofizzarsi se ci si affida ad AI senza limiti, senza interloquire con le risposte, senza approfondirle.

Fino ad oggi abbiamo prevalentemente pensato che AI stesse rincorrendo l’intelligenza umana e che alcune delle funzioni cognitive superiori, che abbiamo ampiamente analizzato, fossero irraggiungibili da AI. Comprendere, la funzione più complessa che abbiamo esaminato, è oggi al di fuori della portata di AI.

Le nuove ricerche sulla comprensione emergente nei modelli

Tuttavia, recenti ricerche sull’interpretabilità meccanicistica hanno scoperto che i modelli di apprendimento basati sulla memoria (LLM) sviluppano strutture interne che potrebbero costituire forme emergenti di comprensione, non una semplice correlazione statistica, ma qualcosa di più simile a una rappresentazione concettuale strutturata. Il fenomeno del “grokking” (comprensione profonda), in cui un modello, dopo una lunga fase di apparente memorizzazione, passa bruscamente a una reale generalizzazione, suggerisce un cambiamento qualitativo nell’elaborazione interna che assomiglia alla transizione dall’apprendimento mnemonico alla comprensione[15]. Quella ricerca sostiene che le intuizioni derivanti dall’interpretabilità meccanicistica forniscono potenti indicatori del fatto che i modelli di apprendimento basati sulla memoria potrebbero effettivamente sviluppare strutture interne che costituiscono forme emergenti di comprensione. La rincorsa dell’intelligenza umana nei confronti di AI è appena cominciata: fino ad oggi avevamo pensato che fosse AI a inseguire l’intelligenza umana.

Due facce non contraddittorie e una priorità civile

La rassegna sistematica del 2025 di 68 articoli sottoposti a peer review. riconduce le due facce di AI ad una interpretazione non contraddittoria[16]. L’AI generativa può supportare il pensiero critico aiutando in compiti di ordine inferiore come la correzione di bozze e la generazione di idee iniziali, riducendo così il carico cognitivo e consentendo di concentrarsi su lavori analitici e creativi di ordine superiore. Tuttavia, un eccessivo affidamento può indebolire il coinvolgimento cognitivo profondo e la valutazione critica. Questo suggerisce che le due facce di AI non sono contraddittorie e che le ricerche che portano a risultati apparentemente contrastanti misurano in realtà fenomeni diversi coesistenti: da un lato la qualità del risultato (che migliora), dall’altro il processo cognitivo di chi usa AI che rischia di impoverirsi. Ma abbiamo visto quali essenziali compiti metacognitivi spettino ancora all’intelligenza umana nel suo esercizio autonomo e anche nell’esercizio associato ad AI: su queste capacità della mente dobbiamo investire molto di più. Se il venture capital investe in data center, modelli, energia per potenziare AI, la nostra società deve investire di più, molto di più nella conoscenza e nella ricerca.

Note

[1]) Kai Fu Lee, AI Superpowers. China, Silicon Valley, and the New World Order, The NY Times, WSJ and Usa Today Best Sellers 2021.

[2]) Fabrizio Dell’Acqua, Edward McFowland III, Ethan R. Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon, Karim R. Lakhani, Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality, Harvard Business School, September18, 2023.

[3]) Eric Fruits & Kristian Stout, AI, Productivity, and Labor Markets: A Review of the Empirical Evidence,

International Center for Law and Economics, February 5, 2026

[4]) Andrew Caplin, David Deming, Shangwen Li, Daniel Martin, Philip Marx, Ben Weidmann, and Kadachi Jiada Ye, The ABC’s of Who Benefits from Working with AI: Ability, Beliefs, and Calibration, NBER Working Paper No. 33021 October 2024.

[5]) Calvino, F., J. Reijerink and L. Samek, The effects of generative AI on productivity, innovation and entrepreneurship, OECD Artificial Intelligence Papers, No. 39, 2025.

[6]) Hao-Ping (Hank) Lee, Advait Sarkar, Lev Tankelevitch, Ian Drosos, Sean Rintel, Richard Banks, and Nicholas Wilson. The Impact of GenerativeAI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI ’25, Yokohama, Japan,© 2025.

[7]) Michael Gerlich, AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking, Societies 2025, 15.

[8]) Alessandro Longo, AI Literacy: vivere con l’intelligenza artificiale senza subirla, Agenda Digitale, 24 febbraio 2026 e anche Mario Dal Co, Competenze AI in Italia: il ritardo che pesa su lavoro e produttività, Agenda Digitale, 4 marzo 2026.

[9]) Marco Tullio Cicerone, Tuscolanae disputationes, 4,4.

[10]) Claude Elwood Shannon, A Mathematical Theory of Communication, The Bell System Technical Journal, Vol. 27, pp. 379–423, 623–656, July, October, 1948.

[11]) L’agnosia visiva è un disturbo neurologico in cui il soggetto non riesce a riconscereoggetti, volti o luoghi familiari, pur avendo la vista integra. Oliver Sacks, The Man Who Mistook His Wife for a Hat, Summit Books, New York, 1985.

[12]) Karl Friston, Stefan Kiebel, Predictive coding under the free-energy principle, Philosophical Transactions of the Royal Society, May 12, 2009.

[13]) Philip R. Hulbig, The neurological implications of metacognition, Front. Psychol., 24 February 2026.

[14]) Stephen M Fleming, Metacognition and Confidence: A Review and Synthesis, Review Annu Rev Psychol, 2024 Jan 18.

[15]) Pierre Beckmann and Matthieu Queloz, Mechanistic Indicators of Understanding in Large Language Models, Research Article in the Philosophy of AI, July 2025.

[16]) Kaushalya Yatigammana, Kannangara Sampath, Impact of Generative AI on Critical Thinking Skills in Undergraduates: A Systematic Review, Journal of Desk Research Review and Analysis, December 2024.